Upload
jairo-banda
View
212
Download
0
Embed Size (px)
DESCRIPTION
.....
Citation preview
UNIVERSIDAD
NACIONAL
DE LOJA
ENSA-CIS-UNL
Área de la Energía, las Industrias y los Recursos Naturales No Renovables
_________________________________________________________________________
CARRERA DE INGENIERÍA EN SISTEMAS
Simulación
Nombre: Jairo Israel Banda Bermeo
Paralelo: Módulo X “B”
Fecha: 23-05-2014
Docente: Ing. Luis Roberto Jácome Galarza.
ENSAYO Nº 1
TEORÍA Y GRÁFICA PARA LAS DISTRIBUCIONES
Distribución Binomial
Esta distribución proviene de n variables de Bernoulli y depende de dos parámetros
B(n,p). Permite calcular la probabilidad de obtener un número k de éxitos al realizar n ensayos de Bernoulli independientes, cada uno de ellos con la misma probabilidad p
de éxito. La variable toma valores enteros entre 0 y n.
Ejemplo: Número de caras al lanzar 100 veces una moneda (p=0.50).
En el siguiente gráfico se muestra la función de probabilidad Binomial con 20
realizaciones y una probabilidad de éxito de 0.25. En abcisas se representan los
distintos valores que puede tomar la variable X (de 0 a 20), y en ordenadas se representa la probabilidad asociada a cada valor posible de X.[1].
UNIVERSIDAD
NACIONAL
DE LOJA
ENSA-CIS-UNL
Área de la Energía, las Industrias y los Recursos Naturales No Renovables
_________________________________________________________________________
CARRERA DE INGENIERÍA EN SISTEMAS
Ing. Luis Roberto Jácome Galarza
Para calcular la función de probabilidad de una distribución binomial se puede utilizar
el siguiente enlace: http://www.stat.ucla.edu/calculators/cdf/binom/binomdens.phtml ,
que accede a una página con la calculadora que se muestra a continuación, en la que se han introducido los parámetros utilizados en el gráfico. UCLA Statistics.
Concretamente, se obtiene una probabilidad de 0.189685 de que ocurran 4 sucesos con éxito (X-value) de los 20 posibles (Number of Trials) con una probabilidad de éxito
de 0.25 (Probability of Success). En el gráfico se puede leer de forma aproximada
esta probabilidad calculada.
UNIVERSIDAD
NACIONAL
DE LOJA
ENSA-CIS-UNL
Área de la Energía, las Industrias y los Recursos Naturales No Renovables
_________________________________________________________________________
CARRERA DE INGENIERÍA EN SISTEMAS
Ing. Luis Roberto Jácome Galarza
Distribución de Poisson
Permite calcular la probabilidad de obtener un número k de eventos en sucesos con pequeña probabilidad de ocurrencia. La variable X se mueve desde 0 en adelante,
con valores enteros.
El valor del parámetro λ > 0 representa el número promedio esperado, por unidad de tiempo o de espacio.
Así pues, al parámetro λ se le denomina parámetro de tasa, ya que, en una unidad
de espacio o de tiempo puede que no se observen exactamente λ eventos, pero sin
embargo en un amplio espacio de tiempo o de espacio esperaremos observar
un evento ocurriendo en una tasa de λ por unidad del tiempo o del espacio.
En general se define que una variable aleatoria de Poisson describe un evento raro o poco frecuente, lo cual debe ser entendido en el sentido de que la probabilidad de P(X=k) es menor a medida que el valor de k es mayor.
Ejemplos: el número de errores en una página de un libro, el número de llamadas
telefónicas equivocadas al cabo de un día.
En el siguiente gráfico se muestra la función de probabilidad de Poisson con λ =4. [2].
En la dirección http://www.stat.ucla.edu/calculators/cdf/poisson/poissondens.phtml
tendrá acceso a un calculador de la distribución de Poisson no acumulada, en la que
especificando el valor de X (número de sucesos) y el parámetro λ (Intensity parameter,
que representa el número promedio de sucesos esperado) se proporciona la
UNIVERSIDAD
NACIONAL
DE LOJA
ENSA-CIS-UNL
Área de la Energía, las Industrias y los Recursos Naturales No Renovables
_________________________________________________________________________
CARRERA DE INGENIERÍA EN SISTEMAS
Ing. Luis Roberto Jácome Galarza
probabilidad de ocurrencia de esos X sucesos (campo Density). Para ello, pulsar el
botón Submit!. UCLA Statistics.
Por ejemplo, encontrará que la probabilidad de ocurrencia de 6 eventos (Pr(X=6)) en
una distribución de Poisson con un valor promedio esperado de 4 sucesos (λ =4), es
de 0.104196, valor que se puede leer en el gráfico anterior de forma aproximada para
X=6.
Distribución Bernoulli
Consiste en realizar un experimento aleatorio una sóla vez y observar si cierto suceso
ocurre o no, siendo p la probabilidad de que esto sea así (éxito) y q=1-p el que no lo
sea (fracaso). [3]
En realidad no se trata más que de una variable dicotómica, es decir que únicamente
puede tomar dos modalidades, es por ello que el hecho de llamar éxito o fracaso a los
posibles resultados de las pruebas obedece más una tradición literaria o histórica, en el
estudio de las v.a., que a la situación real que pueda derivarse del resultado. Podríamos
por tanto definir este experimento mediante una v.a. discreta X que toma los valores X=0
si el suceso no ocurre, y X=1 en caso contrario, y que se denota X -> Ber (p). [4].
Su fórmula es:
𝒑 [𝑿 = 𝑿] = 𝒑𝒙(𝟏 − 𝒑)𝟏−𝒙, 𝒙 = 𝟎, 𝟏
UNIVERSIDAD
NACIONAL
DE LOJA
ENSA-CIS-UNL
Área de la Energía, las Industrias y los Recursos Naturales No Renovables
_________________________________________________________________________
CARRERA DE INGENIERÍA EN SISTEMAS
Ing. Luis Roberto Jácome Galarza
Fig. 3 Función de distribución del modelo de Bernoulli [5]
Un experimento al cual se aplica la distribución de Bernoulli se conoce como Ensayo de
Bernoulli o simplemente ensayo, y la serie de esos experimentos como ensayos
repetidos.
Distribución Erlang
En estadística, la distribución Erlang, es una distribución de probabilidad continua con dos
parámetros k y ʎ cuya función de densidad para valores x > 0 es:
𝒇 (𝒙) = 𝝀𝒆−𝝀𝒙(𝝀𝒙)𝒌−𝟏
(𝒌 − 𝟏)!
La distribución Erlang es el equivalente de la distribución gamma con el parámetro k=1,2 y
ʎ =1/δ. Para k=1 eso es la distribución exponencial. Se utiliza la distribución Erlang para
describir el tiempo de espera hasta el suceso número k en un proceso de Poisson.
Esta función recibe su nombre del matemático e ingeniero danés Agner Krarup Erlang que
la introdujo en 1909.
Se aplica en modelos de sistemas de servicio masivo, ejemplo: En situaciones donde el
servicio tiene que realizar dos operaciones c/u con tiempo de servicio exponencial [6].
UNIVERSIDAD
NACIONAL
DE LOJA
ENSA-CIS-UNL
Área de la Energía, las Industrias y los Recursos Naturales No Renovables
_________________________________________________________________________
CARRERA DE INGENIERÍA EN SISTEMAS
Ing. Luis Roberto Jácome Galarza
Fig. 4 Función de densidad de probabilidad
1. Referencias bibliográficas
[1]. Martínez, Mónica. Marí, Manuel. La Distribución Binomial. En línea. Disponible
en: https://alumnosdeposgrado.files.wordpress.com/2013/10/distribucion-
binomial.pdf (Consultado el 22 de Mayo del 2014).
[2]. Wikipedia, la enciclopedia libre. Distribución de Poisson. En línea. Disponible
en: http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson (Consultado el 22
de Mayo del 2014).
[3]. Wikipedia, la enciclopedia libre. Distribución de Bernoulli. En línea. Disponible
en: http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Bernoulli (Consultado el 22
de Mayo del 2014).
[4]. Landero, Sonia. Distribución Bernoulli y Distribución Binomial. En línea.
Disponible en: http://www.slideshare.net/sonyelockheart/distribucin-bernoulli-y-
distribucin-binomial (Consultado el 22 de Mayo del 2014).
[5]. Wikipedia, la enciclopedia libre. Distribución de Bernoulli. En línea. Disponible
en: http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Erlang (Consultado el 22
de Mayo del 2014).
[6]. Universidad Católica de Valparaíso. Distribución Erlang. En Línea. Disponible
en: http://www.material_simulacion.ucv.cl/generador_alea/sld019.htm (Consultado
el 22 de Mayo del 2014).